IA y trabajo: medir tareas, productividad y poder sin esperar a la IAG

Reeditado el 30 de julio de 2026, este artículo retira una premisa falsa: no hay que esperar a una inteligencia artificial general para estudiar cómo cambia el trabajo. Las herramientas actuales ya pueden redactar, clasificar, buscar, resumir o generar código bajo condiciones concretas. Su efecto laboral no se deduce del nombre del modelo, sino de las tareas que una organización decide automatizar, asistir, crear o dejar en manos humanas.

Un empleo no es una tarea y la exposición no es un despido. Entre una capacidad técnica y un resultado laboral median coste, calidad, responsabilidad, demanda, organización, formación, negociación y ley. El método útil baja del pronóstico agregado al flujo real y mide quién gana tiempo, quién corrige errores y qué cambia en salario, carga y control.

Del empleo a un inventario de tareas

El mismo título profesional reúne actividades distintas. Una enfermera registra datos, observa al paciente, administra tratamientos, coordina personas y responde a excepciones. Un analista recopila documentos, limpia datos, interpreta resultados, comunica y asume responsabilidad. Una herramienta puede afectar una parte sin sustituir el conjunto y puede crear trabajo adicional de revisión.

La base oficial O*NET publica declaraciones de tareas asociadas a ocupaciones y valoraciones de frecuencia, importancia y contexto. Es un punto de partida, no una fotografía universal: las funciones cambian entre empresas, países y turnos. El inventario local se completa observando el trabajo, entrevistando a quienes lo realizan y registrando excepciones, dependencias y conocimiento tácito.

Cada tarea se describe con entrada, salida, estándar de calidad, tiempo, herramientas, datos sensibles, coste de error y persona responsable. Después se clasifica el posible cambio: asistencia, cuando la IA propone y alguien decide; automatización, cuando el flujo ejecuta sin revisión ordinaria; reconfiguración, cuando cambian los pasos; y tarea nueva, cuando aparecen verificación, integración o atención a incidentes.

Exposición mide posibilidad, no adopción ni pérdida

El índice global refinado de la OIT, publicado en mayo de 2025, combina datos a nivel de tarea, encuestas y juicio experto. Estima que uno de cada cuatro trabajadores ocupa un empleo con algún grado de exposición a IA generativa y que el 3,3% del empleo mundial cae en la categoría de exposición más alta. Las ocupaciones administrativas siguen siendo las más expuestas.

Esas cifras no dicen que uno de cada cuatro empleos desaparecerá. El estudio expresa potencial técnico bajo una clasificación y la propia OIT considera más probable la transformación que el reemplazo. Una tarea puede ser generable y aun requerir datos no digitalizados, verificación costosa, contacto físico, responsabilidad profesional o una integración que no compensa. La demanda también puede crecer si baja el precio del servicio.

La nota de discusión del FMI sobre IA generativa y trabajo separa exposición de complementariedad: en algunas ocupaciones la tecnología puede sustituir actividad humana y en otras elevar la productividad del trabajador. Sus estimaciones son escenarios construidos con supuestos, no recuentos de despidos causados. La distribución importa porque acceso, preparación digital y estructura ocupacional difieren entre economías y grupos.

Los experimentos observan tareas, no el mercado entero

Generative AI at Work estudió el despliegue escalonado de un asistente conversacional entre 5.179 agentes de atención al cliente. El acceso elevó un 14% la productividad media medida como asuntos resueltos por hora, con beneficios mayores para trabajadores noveles y de menor rendimiento y efectos mínimos entre los más experimentados. El patrón sugiere difusión de prácticas, pero pertenece a una empresa, una herramienta y una métrica.

Un experimento preregistrado de Noy y Zhang asignó a profesionales tareas de escritura y acceso aleatorio a ChatGPT. En esas tareas, el grupo con acceso tardó menos y recibió mejores calificaciones medias. No se midió una carrera completa, trabajo en equipo a largo plazo, exactitud factual en todos los dominios ni el efecto cuando el texto llega a un cliente real.

El experimento con GitHub Copilot pidió a desarrolladores implementar un servidor HTTP en JavaScript: el grupo con la herramienta completó la tarea un 55,8% más rápido. Es evidencia causal para un encargo delimitado, no una tasa de productividad de toda la ingeniería ni una predicción de empleo. Mantenimiento, seguridad, arquitectura, revisión y coordinación quedan fuera de esa cifra.

Los tres estudios enseñan la misma cautela: conservar población, tarea, versión, línea base y métrica. El porcentaje no viaja solo a otra empresa. Un piloto local necesita medir calidad, tiempo total incluido el repaso, incidencias, aprendizaje y heterogeneidad. Si solo cronometra la primera salida, puede confundir velocidad de generación con productividad final.

Rediseñar el trabajo exige medir calidad y poder

Una implantación empieza con una línea base anterior y un grupo comparable. Se registra volumen, tiempo, retrabajo, errores graves, satisfacción de clientes, carga cognitiva y distribución entre trabajadores. Durante el piloto se conserva la posibilidad de no usar la herramienta y se documentan correcciones. Después se observa si el ahorro se tradujo en menos horas, más producción, mejor servicio o simplemente objetivos más intensos.

El plazo cambia la respuesta. Un ensayo de dos semanas detecta fricción inicial, pero no revela si las personas aprenden, si el modelo se degrada al cambiar la demanda ni si la empresa reduce contratación meses después. El seguimiento separa efectos inmediatos y diferidos y registra empleo, vacantes, rotación, horas, salario y promoción. También compara grupos: un promedio positivo puede coexistir con pérdida de autonomía o ingresos para quienes realizaban las tareas ahora concentradas en otros puestos.

El Employment Outlook 2023 de la OCDE recogió encuestas a más de 2.000 empleadores y 5.300 trabajadores de manufactura y finanzas en siete países. Encontró una imagen mixta: beneficios percibidos de calidad laboral, pero también preocupaciones sobre intensificación, privacidad, sesgo y decisiones automáticas. Quienes eran gestionados por IA tendían a valorar peor el impacto que quienes trabajaban junto a ella.

Por eso la participación no es una sesión de formación al final. Quienes hacen el trabajo ayudan a escoger la tarea, definir calidad, detectar excepciones y fijar la vía de recurso. Debe quedar claro qué datos se recogen, quién evalúa al trabajador, cómo se impugna una decisión y qué ocurre cuando la herramienta falla. La automatización que ahorra minutos pero transfiere riesgo y vigilancia al empleado no puede evaluarse solo con productividad.

Nuevos roles sin adivinar profesiones

Los roles nuevos se derivan del flujo, no de una lista futurista. Si el sistema genera borradores, alguien define fuentes y revisa afirmaciones. Si ejecuta herramientas, hacen falta permisos, trazas y respuesta a incidentes. Si cambia con datos, alguien gobierna procedencia, evaluación y retirada. Integración, diseño de procesos, control de calidad y representación de trabajadores son conjuntos de tareas observables; pueden incorporarse a puestos existentes o justificar otros nuevos.

La formación se vincula a la transición concreta. No basta recomendar creatividad, empatía o «habilidades humanas» como refugios supuestamente irremplazables. Una persona necesita practicar con las herramientas reales, aprender a verificar sus salidas y disponer de tiempo y autoridad para corregir. La empresa necesita declarar qué puestos cambian, qué competencias financiará y qué protección ofrece a quien pierde tareas o ingresos.

Una competencia nueva solo cuenta si puede demostrarse y reconocerse. El plan formativo define una tarea, práctica supervisada, criterio de aprobación y aplicación en horario laboral. Después actualiza categoría, responsabilidad y remuneración cuando el puesto asume verificación o riesgo adicional. Pedir al trabajador que «se adapte» por su cuenta oculta el coste de transición y permite a la organización capturar el ahorro sin contabilizar quién produjo la nueva capacidad.

La capacidad transferible es construir una ficha de impacto: tareas antes y después; nivel de asistencia o automatización; evidencia de calidad y tiempo; distribución de beneficios y errores; cambio en empleo, horas y salario; y mecanismo de participación y reclamación. Esa ficha sirve con o sin IAG. El futuro del trabajo no llega como propiedad inevitable de una máquina: se decide en cada rediseño, y puede medirse.